为什么选 MONAI
医学影像(CT、MRI、病理切片)与普通图片不同,多为多维体数据,格式以 DICOM、NIfTI 为主,且类别往往严重不平衡。MONAI 是 NVIDIA、NIH、伦敦国王学院等机构维护的基于 PyTorch 的开源医学影像框架,原生支持 DICOM/NIfTI 读写、3D 空间变换、Dice/Hausdorff 等分割指标,并以 Apache 2.0 协议允许商业与研究使用,省去从通用框架适配的成本。
环境安装
建议使用 Python 3.10 及以上与 PyTorch 2.x 的虚拟环境:
pip install monai torch nibabel
python -c 'import monai; print(monai.__version__)'若能调用 GPU,训练速度会显著提升;纯 CPU 也可跑通教学级示例。
用 MedNIST 跑通数据加载与预处理
MedNIST 是 MONAI 官方提供的轻量入门数据集,包含 X 光等九类图像,适合快速验证流程:
from monai.apps import MedNISTDataset
from monai.data import Dataset
from monai.transforms import Compose, LoadImaged, EnsureChannelFirstd, ScaleIntensityd, ToTensord
train_data = MedNISTDataset(root_dir='./mednist', section='training', download=True)
train_ds = Dataset(
data=train_data.data,
transform=Compose([
LoadImaged(keys='image'),
EnsureChannelFirstd(keys='image'),
ScaleIntensityd(keys='image'),
ToTensord(keys=['image', 'label']),
]))MONAI 的变换链(transforms)可自由组合,LoadImage 自动识别 DICOM/NIfTI,EnsureChannelFirst 统一通道维度,ScaleIntensity 做归一化,便于接入既有流程。
训练一个分类模型
从分类起步,熟悉数据管线后再切入 3D 分割。以下用 MONAI 的 DenseNet 做九类图像分类示意:
from monai.networks.nets import DenseNet121
import torch
model = DenseNet121(spatial_dims=2, in_channels=1, out_channels=9)
loss_fn = torch.nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=1e-3)
# 训练循环:dataloader 喂入 batch,前向、反向、更新,此处省略对真实 CT/MRI 分割,可改用 UNETR、SwinUNETR 等 MONAI 提供的 3D Transformer 骨干,或直接使用模型库(Model Zoo)中的 VISTA-3D 等通用分割模型做迁移。
落地建议
① 先用 MedNIST 等公开集跑通端到端流程,再替换为院内脱敏数据;
② 分割任务务必用 Dice/Hausdorff 等指标量化,并设置医生复核环节;
③ 借助 MONAI Bundle 把权重、配置、推理代码打包,保证可复现、可迁移。
说明:医学影像 AI 用于临床需满足相应法规与质控要求,本文为工程实践参考,不构成医疗器械合规承诺。
参考来源
Project MONAI 官方文档 - monai.org.cn;MONAI: AI Toolkit for Healthcare Imaging - GitHub(Project-MONAI/MONAI);PyTorch 官方文档。